En esta contribución, se presenta un modelo híbrido de Markov multicontextual para la detección de inundaciones en tiempo casi real no supervisada en datos de radar de apertura sintética (SAR) de banda X multitemporales. Incorpora información contextual dependiente de la escala, así como información contextual espaciotemporal, en el esquema de clasificación, combinando la estimación del modo posterior marginal jerárquico (HMPM) en gráficos dirigidos con modelado de imágenes de Markov no causal relacionado con campos aleatorios de Markov (MRFs) planos. Para aumentar el rendimiento computacional, se utilizan entropías basadas en el posterior marginal para restringir el intercambio iterativo bidireccional de información espaciotemporal entre imágenes consecutivas de una secuencia temporal a objetos que exhiben una baja probabilidad de ser clasificados correctamente según la estimación HMPM. Los modelos de Markov, originalmente desarrollados para inferencia en estructuras gráficas regulares de quadtrees y redes planas, se adaptan a la naturaleza variable de los gráficos irregulares, que están relacionados con la segmentación de imágenes impulsada por la información. Se utilizan mapas de confianza basados en la entropía, combinados con relaciones espaciotemporales de vegetación brillante potencialmente inundada a áreas de agua abierta, para la cuantificación de la incertidumbre en el etiquetado de cada elemento de imagen en las máscaras de posibilidad de inundación. Con respecto a la precisión y el esfuerzo computacional, los experimentos realizados en un conjunto de datos bi-temporales de TerraSAR-X ScanSAR de la región de Caprivi en Namibia durante las inundaciones de 2009 y 2010 confirman la efectividad de integrar el contexto jerárquico así como el espaciotemporal en el proceso de etiquetado, y de adaptar los modelos a estructuras gráficas irregulares.